你知道什么是AI的数据设计吗

在人工智能领域，数据是推动AI技术发展的基础。而AI模型的性能和公平性取决于数据的质量和代表性。因此，在设计AI模型时，数据设计是至关重要的一环。它涉及到各种问题，例如如何选择数据、如何标注数据、如何收集数据以及如何评估数据的质量。

在人工智能应用程序的开发过程中，设计数据是开发AI模型的第一步。这个过程通常是一个迭代的过程，需要使用试验数据来开发初始的AI模型，并通过收集额外数据来修补模型的局限性。关键标准是确保数据适用于任务，并且覆盖足够的范围来代表模型可能遇到的不同我们和场景。

然而，目前用于开发AI的数据集通常覆盖范围有限或者具有偏差。这会对AI模型的性能产生负面影响，因为不同人群和场景的数据缺乏代表性。为了提高数据覆盖率，让更广泛的社区参与数据的创建是一种方法。目前最大的公共数据集Common Voice项目就是一个例子，该项目包含了来自166,000多名参与者的76种语言的11,192小时语音转录。

当现实世界中的代表性数据难以获得时，合成数据可以被用来填补覆盖空白。例如，在医疗保健领域，可以共享合成医疗记录来促进知识发现，而无需披露实际的患者信息。在机器人技术中，真实世界的挑战是终极的测试平台，也可以用高保真模拟环境来让智能体在复杂和长期任务中实现更快、更安全的学习。

然而，合成数据也存在一些问题。由于合成数据与现实数据之间总是存在差距，因此将基于合成数据训练的AI模型转移到现实世界时通常会出现性能下降。如果模拟器的设计不考虑少数群体，那么合成数据也会加剧数据差异。因此，在标准化和透明的报告中记录数据设计地上下文就非常重要。

为了更好地理解数据的质量和相关信息，研究人员已经开始创建各种「数据营养标签」（data nutrition labels）来捕获有关数据设计和注释过程的元数据（metadata）。这些元数据包括数据集中参与者的性别、年龄、种族和地理位置的统计数据，这有助于发现是否有代表性不足的亚群未被覆盖。数据来源也是一种元数据，它跟踪数据的来源和时间以及产生数据的过程和方法。

元数据可以保存在一个专门的数据设计文档里，数据文档对于观察数据的生命周期和社会技术背景来说非常重要。文档可以上传到稳定且集中的数据存储库（例如Zenodo）中。这些元数据标签和文档可以帮助研究人员、政策制定者和公众更好地理解数据，以及评估AI模型的性能和公平性。

在未来，随着技术和数据资源的不断发展，我们相信数据设计的过程会越来越透明和标准化。这将有助于确保数据的质量和代表性，并为开发高效、高效、平等的AI模型提供坚实的基础。